PESQUIMAT 22(1): 51–60 (2019) ISSN:1560-912X/ ISSN-E:1609-8439

http://doi.org/10.15381/pes.v22i1.16126 Facultad de Ciencias Matemáticas – UNMSM

Estimando las participaciones de mercado de largo plazo en el servicio

móvil peruano: Una aplicación de las Cadenas de Markov

Manuel Gavilano Aspillaga1 y Nikolai Tovar Soto 2

Resumen: Este breve documento muestra de manera directa y sencilla la estimación

de las participaciones de mercado que tendrı́an las empresas operadoras móviles en el
largo plazo, entendiéndose como largo plazo aquella situación en que las participacio-
nes de mercado oscilan en muy pequeñas variaciones. Para cumplir con este objetivo
se emplean las denominadas Cadenas de Markov, donde las Matrices de Transición
se forman a través de los estados de migraciones de una empresa operadora hacia
otra mediante el proceso de Portabilidad Numérica Móvil (PNM). Las conclusiones
del trabajo señalan que, en el largo plazo Telefónica del Perú tendrı́a la mayor parti-
cipación de mercado (36.4 %), seguido de América Móvil (35 %); y finalmente, Entel
(17.4 %) y Viettel (11.2 %).
Palabras claves: Cadenas de Markov; participaciones de mercado; telefonı́a móvil.

Estimating the long-term market shares in the Peruvian mobile telephony

service: An application of the Markov Chains

Abstract: This brief document shows in a simple and direct way the estimation of
the market shares that mobile operators will have in the long term, understanding
as a long term that situation in which the market shares oscillate in very small
variations. To achieve this goal, the so-called Markov Chains are used, where the
Transition Matrices are formed through the states of migration between companies
using the Mobile Number Portability (PNM) process. The conclusions of this paper
indicate that in the long term Telefónica del Perú will have the largest market share
(36.4 %), followed by América Móvil, (35 %); and finally Entel (17.4 %) and Viettel
(11.2 %).
Keywords: Markov Chains; market shares; mobile telephony.

Recibido: 18/01/2019. Aceptado: 18/04/2019. Publicado online: 13/05/2019.

Los
c autores. Este artı́culo es publicado por la Revista PESQUIMAT de la Facultad de Ciencias Matemáticas, Universidad Nacional Ma-
yor de San Marcos. Este es un artı́culo de acceso abierto, distribuido bajo los términos de la licencia Creative Commons Atribucion-No
Comercia-Compartir Igual 4.0 Internacional.(http://creativecommons.org/licenses/by-nc-sa/4.0/) que permite el uso no comercial, distribu-
ción y reproducción en cualquier medio, siempre que la obra original sea debidamente citada. Para información, por favor póngase en contacto
con revistapesquimat.matematica@unmsm.edu.pe

1
UNMSM, Facultad de Ciencias Matemáticas, e-mail: manuel.gavilano@unmsm.edu.pe
2
UNCP, Facultad de Economı́a, e-mail: nikolaieliastovar@gmail.com

51
Gavilano Aspillaga y Tovar Soto

1. Introducción
Una Cadena de Markov es un proceso estocástico que satisface la propiedad Markoviana, la
cual establece que el pasado y el futuro son independientes cuando se conoce el presente. Esto es,
si se conoce el estado presente de un proceso, la información adicional del proceso en el pasado
no es útil para realizar la mejor predicción de su futuro. (Esto se detalla muy brevemente en la
sección 3 de este documento).
En la actualidad, las Cadenas de Markov vienen siendo utilizadas ampliamente en distintos
campos de las ciencias. En este documento, se emplean dos versiones de Cadenas de Markov
para cumplir con los siguientes propósitos en el mercado de la telefonı́a móvil1 :

Cadenas de Markov Homogénea, las cuales permiten estimar las cuotas de merca-
do que las empresas operadoras tendrı́an en el largo plazo, considerando las condiciones
actuales (por ejemplo, la migración entre empresas operadoras producto de la PNM2 ).

Cadenas de Markov Variante en el tiempo, las cuales permiten realizar predicciones

de las cuotas de mercado que las empresas operadoras tendrı́an en el corto plazo.

Es importante resaltar que los objetivos mencionados ya han sido aplicados en mercados
de telecomunicaciones de otros paı́ses, por lo que el objetivo del documento es aplicarlo al
caso peruano. Ası́, Ching [1] utiliza Cadenas de Markov para pronosticar las participaciones de
mercado a partir de datos simulados; Gomewa et al. [4] analizaron el comportamiento dinámico
de la PNM por parte de los usuarios del mercado móvil en Nigeria, y estiman las participaciones
de mercado de largo plazo; por su parte, Mendoza et al. [5] realizaron un estudio similar para el
caso del mercado móvil mexicano.
A diferencia de otras técnicas que predicen a partir de sus propios valores pasados, las
Cadenas de Markov son relevantes toda vez que considera tanto información presente como
las interrelaciones que pueda existir con otras series. De este modo, las Cadenas de Markov
son sistemáticas (debido a que abordan todos los flujos posibles entre estados a través de las
Matrices de Transición) y no se limita en las estructuras causales del sistema, por lo que no es
necesario recurrir a métodos econométricos tradicionales.

2. Estado actual del servicio móvil peruano

El servicio móvil contempla constantes cambios como producto del incremento de la inten-
sidad competitiva que ejercen las empresas operadoras (quienes ofrecen servicios con mejores
atributos y mayor calidad). En el caso peruano, este comportamiento agresivo de las empresas
operadoras ha llevado a que frecuentemente compitan por atraer a usuarios de la competencia
y a fidelizar a los suyos. Como resultado, este comportamiento ha llevado a que los usuarios
respondan ante las constantes mejoras e incentivos para aquellos que migren entre empresas
operadoras (por ejemplo: duplicar los GB asignados en el plan durante 6-12 meses, reducción de
precios de equipos).
El análisis se centra en las cuatro operadoras más grandes, dado que en su conjunto cubren
el 99 % de las lı́neas en servicio. A saber, Telefónica, América Móvil, Entel y Viettel3 . Si bien,
hasta hace algunos años, Telefónica y América Móvil mantenı́an conjuntamente más del 95 % de
las lı́neas móviles en servicio; es con la entrada de nuevas empresas operadoras, el relanzamiento
1
Las Cadenas de Markov son fácilmente aplicadas a cualquier mercado de telecomunicaciones. Asimismo, las
predicciones realizadas en esta investigación supone que las condiciones actuales se mantienen en el tiempo.
2
PNM: Portabilidad Numérica Móvil.
3
No se considera a Incacel por tener una muy baja participación de mercado en comparación al resto empresas.

52 PESQUIMAT 22(1): 51–60

 Estimando las participaciones de mercado de largo plazo en el servicio...

de la PNM y el desbloqueo de equipos terminales que la intensidad competitiva por parte de las
empresas operadoras se incrementó rápidamente (vı́a una reducción de los costos de traspaso).
Esto se observa claramente en la evolución de las participaciones de mercado (Ver Figura 1).

Figura 1. Dinamismo de cuotas de mercado e Índice de Concentración (HHI)

Fuente: OSIPTEL.

De esta manera, en la figura anterior se observa la reducción de las brechas de participaciones

de mercado entre las empresas operadoras (y con ello una reducción del Índice de Hirshman-
Herfindahl (HHI)), lo que muestra un mercado menos concentrado (el HHI se redujo de 4,520
a 2,800 entre diciembre de 2014 y diciembre de 2018). Dichos cambios en la evolución de la
participación de mercado se deben principalmente al movimiento de usuarios entre empresas
operadoras, más que al ingreso de nuevos usuarios.
Este aumento de las participaciones de mercado de las empresas operadoras más pequeñas
(principalmente Entel) a costa de las empresas más grandes se muestra en el siguiente figura. Es
en base a dichas migraciones o traspasos que se estiman las participaciones de mercado de largo
plazo. (Ver Figura 2).

Figura 2. Dinamismo en posición neta de usuarios en PNM por empresa

Fuente: OSIPTEL.

PESQUIMAT 22(1): 51–60 53

Gavilano Aspillaga y Tovar Soto

3. Marco Teórico
Si bien existen diversas versiones de Cadenas de Markov para predecir valores futuros o para
estimar participaciones de mercado de largo plazo, es necesario resaltar que estas deben ser
aplicadas dependiendo del contexto por el que atraviesa el mercado analizado. La importancia
del empleo de Cadenas de Markov -frente a otras metodologı́as- recae en que este es un proceso
sistemático y utiliza información presente de distintos estados.
En este documento se emplea la versión de las Cadenas de Markov más utilizada para estimar
las participaciones de mercado de largo plazo (versión homogénea) y la versión de Cadenas de
Markov para estimar las participaciones en el corto plazo (versión variante en el tiempo).

3.1. Modelo de Cadenas de Markov Homogénea

Una Cadena de Markov se compone del vector de condiciones iniciales y de la matriz de
transición, donde se define los movimientos de las personas dentro de un conjunto finito de
estados si .
s ∈ S, S = {s1 , s2 , s3 , ..., sM −1 , sM }, M < ∞
Para los propósitos del presente trabajo S tiene 4 componentes, representando a las cuatro
empresas operadores móviles más importantes del mercado peruano: Telefónica, América Móvil,
Entel y Viettel.
Los movimientos de las personas se dan a través de puntos discretos en el tiempo, donde la
probabilidad de estar en el tiempo t sólo va a depender del tiempo inmediato anterior, es decir:

P {Xt+1 = j | Xt = i, Xt−1 = it−1 , ..., X1 = i1 } = P {Xt+1 = j | Xt = i}; ∀t

Se puede ver claramente que es un proceso sin memoria o Cadena de Markov de primer orden.
Por otro lado, se dice que es homogénea porque las probabilidades de transición son invariantes
en el tiempo,

P {Xt+1 = j | Xt = i} = pi,j
La probabilidad pi,j representa la posibilidad de que un usuario de determinada empresa
operadora i migre a j en el siguiente periodo. Luego, las distintas probabilidades de transición
entre diferentes empresas operadoras, se pueden agrupar en una matriz cuadrada de orden de 4,
la cual es llamada Matriz de Transición4 .
 
p1,1 p1,2 p1,3 p1,4
 p2,1 p2,2 p2,3 p2,4 
P=  p3,1 p3,2 p3,3 p3,4 


p4,1 p4,2 p4,3 p4,4

La propiedad que debe cumplir la Matriz de Transición es que el conjunto de estados deben
ser mutuamente excluyentes, por lo que la suma de probabilidades (por fila o columna) siempre
debe ser igual a 1. El caso presentado es de una Matriz de Transición por filas.
El vector de condiciones iniciales es estimado sobre la base de datos históricos, el cual se
define por Y1 . Dado que se trata de participaciones de mercado, se debe cumplir -por el axioma
de completitud- que la suma de componentes de este vector sea 1.


Y1 = y1 y2 y3 y4
4
En adelante, todas las expresiones matemáticas en negrita representarán matrices.

54 PESQUIMAT 22(1): 51–60

 Estimando las participaciones de mercado de largo plazo en el servicio...

Una vez obtenidos los insumos mencionados, la predicción de las participaciones de mercado
para el periodo siguiente se obtiene de la siguiente manera.

Yt+1 = Yt × P
Empleando esta ecuación de manera recursiva conjuntamente con el vector de condiciones
iniciales, se obtiene la predicción para cualquier punto deseado en el tiempo:

Yt+1 = Y1 × Pt (1)
Bajo el supuesto de homogeneidad de la matriz de transición se obtiene las participaciones
de mercado de largo plazo o estacionarias. Siendo Q el vector de participaciones de mercado de
largo plazo de cada empresa operadora, esta debe cumplir lo siguiente:
4
X
Q×P=Q sujeto a: qi = 1, (2)
i=1

donde qi son los elementos del vector de largo plazo.

3.2. Modelo de Cadenas de Markov Variante en el tiempo

Una restricción al modelo anterior es la homogeneidad de la Matriz de Transición, el cual es
un supuesto que probablemente no siempre se cumpla, por lo que una aproximación alternativa
serı́a que la Matriz de Transición fuese variante en el tiempo. Para proceder bajo este criterio se
necesita obtener dos Matrices de Transición, las cuales permitan estimar la variación que existe
entre dos periodos de tiempos contiguos (∆P )), y luego generalizar dicha variación para el resto
de periodos.
De esta manera, las predicciones quedarı́an de la siguiente forma:

Y 2 = Y 1 × P1
Y3 = Y1 × P1 × P2
..
. (3)
t
Y
Yt+1 = Y1 × P1 × P2 . . . Pt = Y1 Pn
n=1

Nótese que ahora existen “n” Matrices de Transición, además:

Pt+1 = Pt + ∆P, (4)

el cual permitirá estimar la variabilidad entre dos Matrices de Transición contiguas, permitiendo
que dichas matrices varı́en con el tiempo (levantando el supuesto de homogeneidad).

4. Aplicación práctica de las Cadenas de Markov

Como se mencionó anteriormente, las Cadenas de Markov Homogéneas frecuentemente son
empleadas para estimar participaciones de mercado que tendrı́an los operadores en el largo
plazo o en un estado de convergencia. Mientras que el resto de versiones existentes de Cadenas
de Markov (que son variantes en el tiempo) permiten predecir las participaciones de mercado
para los periodos siguientes al analizado.

PESQUIMAT 22(1): 51–60 55

Gavilano Aspillaga y Tovar Soto

4.1. Aplicación para Cadenas de Markov Homogénea

Con el propósito de estimar las participaciones de mercado de largo plazo (estacionarias o
convergentes), se requiere obtener la Matriz de Transición a partir de los datos de lı́neas móviles
en servicio y la posición neta agregada de las empresas operadoras producto de las migraciones
realizadas mediante PNM (ver Tabla 1).

Tabla 1. Lı́neas en servicio que realizaron Portabilidad Numérica Móvil en el periodo

(Marzo-Noviembre 2018)
Marzo-Noviembre
Entel América Móvil Telefónica Viettel Total
(Año 2018)
Entel 6,550,592 836,004 665,866 197,457 8,249,919
América Móvil 734,729 12,572,199 770,232 280,563 14,357,723
Telefónica 660,770 894,936 14,928,872 297,064 16,781,642
Viettel 194,340 347,492 397,337 5,074,673 6,013,842
Total 8,140,431 14,650,631 16,762,307 5,849,757 45,403,126
Cuotas de mercado
0.1793 0.3227 0.3692 0.1288 1.0
(inicial)
Fuente: OSIPTEL.

Los elementos que aparecen sombreados en la Tabla 1 (aii ) representan la cantidad de lı́neas
móviles en servicio que tenı́a cada empresa operadora al final del periodo anterior (para este caso,
en febrero de 2018). El resto de valores registrados en la Tabla 1 son los movimientos agregados de
la migración de las lı́neas móviles en servicio entre las distintas empresas operadoras, de tal modo
que el elemento [a1,2 =(836,004)] (en fila 1-columna 2) se interpreta como el número de lı́neas
móviles que migraron de Entel hacia América Móvil en el transcurso de los meses señalados.
Mientras que la última fila de la tabla muestra las participaciones de mercado iniciales de cada
empresa operadora.


Y1 = 0.1793 0.3227 0.3692 0.1288
A partir de la tabla anterior se obtiene la Matriz de Transición por filas (ver Tabla 2). El
procedimiento a seguir es convertir las frecuencias absolutas en frecuencias relativas. Por ejemplo,
el elemento p1,2 puede ser estimado mediante el siguiente ratio:
836, 004
p1,2 = = 0.101335
8, 249, 919
Si se aplica la misma operación para el resto de elementos se completa la Matriz de Transición
P (Tabla 2), la misma que debe cumplir con los requisitos ya señalados.

Tabla 2. Matriz de Probabilidades de Transición en el periodo corriente

(“t”: Marzo-Noviembre 2018)
Marzo-Noviembre
Entel América Móvil Telefónica Viettel
(Año 2018)
Entel 0.794019 0.101335 0.080712 0.023934
América Móvil 0.051173 0.875640 0.053646 0.019541
Telefónica 0.039375 0.053328 0.889595 0.017702
Viettel 0.032315 0.057782 0.066070 0.843832
Fuente: Elaboración propia.

56 PESQUIMAT 22(1): 51–60

 Estimando las participaciones de mercado de largo plazo en el servicio...

Luego, para obtener las participaciones de mercado de largo plazo se necesita un vector (Q)
de dimensión 1 × 4.


Q= q1 q2 q3 q4
Dado que el orden en las operaciones de matrices es relevante, continuando con la lógica en
la enumeración, q1 , q2 , q3 y q4 corresponden a las participaciones de mercado de largo plazo de
Entel, América Móvil, Telefónica y Viettel, respectivamente. Para proceder con la estimación
respectiva, se efectua algunas operaciones algebraicas a la ecuación 2 . De este modo, aplicando
transpuesta a ambos lados de la igualdad se tiene que:

Q×P=Q
(Q × P)0 = Q0
P0 × Q0 = Q0 .

Luego, reemplazando los respectivos valores:

     
0.7940 0.0512 0.0394 0.0323 q1 q1
0.1013 0.8756 0.0533 0.0578 q2  q2 
 × = 
0.0807 0.0536 0.8896 0.0661 q3  q3 
0.0239 0.0195 0.0177 0.8438 q4 q4
   
0.7940q1 + 0.0512q2 + 0.0394q3 + 0.0323q4 q1
0.1013q1 + 0.8756q2 + 0.0533q3 + 0.0578q4  q2 
0.0807q1 + 0.0536q2 + 0.8896q3 + 0.0661q4  = q3  (5)
   

0.0239q1 + 0.0195q2 + 0.0177q3 + 0.8438q4 q4

Además, se tiene la siguiente restricción de completitud:

q1 + q2 + q3 + q4 = 1,
de donde se obtiene las siguientes equivalencias:

q1 = 1 − q2 − q3 − q4
q2 = 1 − q1 − q3 − q4
(6)
q3 = 1 − q1 − q2 − q4
q4 = 1 − q1 − q2 − q3

Reemplazando (6) en (5) se obtiene lo siguiente:

   
0.7940q1 + 0.0512q2 + 0.0394q3 + 0.0323q4 1 − q2 − q3 − q4
0.1013q1 + 0.8756q2 + 0.0533q3 + 0.0578q4  1 − q1 − q3 − q4 
0.0807q1 + 0.0536q2 + 0.8896q3 + 0.0661q4  = 1 − q1 − q2 − q4 
   

0.0239q1 + 0.0195q2 + 0.0177q3 + 0.8438q4 1 − q1 − q2 − q3

   
0.7940q1 + 1.0512q2 + 1.0394q3 + 1.0323q4 1
1.1013q1 + 0.8756q2 + 1.0533q3 + 1.0578q4  1
1.0807q1 + 1.0536q2 + 0.8896q3 + 1.0661q4  = 1
   

1.0239q1 + 1.0195q2 + 1.0177q3 + 0.8438q4 1

Una manera alternativa y sencilla de solución es presentar este último resultado en forma de
producto de matrices.

PESQUIMAT 22(1): 51–60 57

Gavilano Aspillaga y Tovar Soto

     
0.7940 1.0512 1.0394 1.0323 q1 1
1.1013 0.8756 1.0533 1.0578 q2  1
   

1.0807 × = 
1.0536 0.8896 1.0661 q3  1
1.0239 1.0195 1.0177 0.8438 q4 1

A4x4 × Q4X1 = 14x1

Premultiplicando, a ambos lados de la ecuación, por la matriz inversa de A (A−1 ), se tiene que:

A−1
4x4 × A4x4 × Q4x1 = A
−1
× 14x1

Q4x1 = A−1
4x4 × 14x1 ,

donde Q4x1 es simplemente el producto matricial de la inversa de A4x4 (A−1 5

4x4 ) y el vector 14x1 .
Reemplazando por sus valores respectivos se obtiene que:

     
q1 −3.0222 0.8305 1.1027 1.2632 1
q2   0.6996 −3.8851 1.8181 1.7174  1
 = × 
q3   1.2102 1.8527 −4.1928 1.4941  1
q4 1.3624 1.4520 1.5221 −4.2247 1

El desarrollo de esta última expresión permite obtener las participaciones de mercado de largo
plazo:

   
q1 0.174
q2  0.350
Q=
q3  = 0.364
  

q4 0.112

De este modo, se obtiene la participación de mercado de largo plazo para las cuatro opera-
doras más importantes del mercado móvil peruano. En efecto, la empresa operadora con mayor
participación serı́a Telefónica con un 36.4 %; seguido muy de cerca por América Móvil con
35.0 %. Más lejanamente, se encontrarı́an Entel y Viettel con participaciones de 17.4 % y 11.2 %,
respectivamente.

4.2. Aplicación para Cadenas de Markov Variante en el tiempo

La aplicación de esta versión de las Cadenas de Markov requiere de al menos dos Matrices
de Transición de dos puntos contiguos en el tiempo. Dado que ya se cuenta con una Matriz de
Transición para el periodo de Marzo a Noviembre de 2018, se construye una matriz adicional
correspondiente al periodo anterior (Junio del 2017 a Febrero del 2018), el resultado se presenta
en la tabla a continuación:

5
Esta multiplicación es posible ya que cumplen con las condiciones de dimensión

58 PESQUIMAT 22(1): 51–60

 Estimando las participaciones de mercado de largo plazo en el servicio...

Tabla 3. Matriz de Probabilidades de Transición en el periodo anterior

(“t-1 ”: Junio 2017 - Febrero 2018)
Junio-Febrero
Entel América Móvil Telefónica Viettel
(Año 2017/2018)
Entel 0.888184 0.055699 0.048533 0.007584
América Móvil 0.036072 0.934446 0.024611 0.004872
Telefónica 0.034887 0.039403 0.920793 0.004917
Viettel 0.030044 0.035859 0.028796 0.905300
Fuente. Elaboración propia.

Luego, la sustracción de las dos Matrices de Transición permite encontrar la variación respec-
tiva. Dicha variación se supone constante para el resto de periodos, con lo cual se puede estimar
nuevas Matrices de Transición para distintos periodos en adelante. Realizando dicha operación
se tiene ∆P:
 
−0.094165 0.045636 0.032179 0.016351
 0.015101 −0.058805 0.029035 0.014669 
∆P =  
 0.004488 0.013925 −0.031198 0.012785 
0.002271 0.021923 0.037274 −0.061468
Dado que se cuenta con dos Matrices de Transición, para los fines del documento se utilizará el
promedio de ambas matrices.

Tabla 4. Matriz de Probabilidades de Transición promedio

(Promedio(“t, t-1 ”): Junio 2017 - Noviembre 2018)
Matriz promedio
Entel América Móvil Telefónica Viettel
(P1 )
Entel 0.841101 0.078517 0.064623 0.015759
América Móvil 0.043622 0.905043 0.039128 0.012206
Telefónica 0.037131 0.046366 0.905194 0.011309
Viettel 0.031180 0.046821 0.047433 0.874566
Fuente. Elaboración propia.

En base a la Matriz de Transición construida como el promedio(P1), el vector de condiciones

iniciales (Y1) y la ecuación 3 se pueden estimar las participaciones de mercado que tendrı́an las
cuatro empresas operadoras en los siguientes periodos. La Tabla 5 resume los resultados para
cuatro periodos hacia adelante.

Tabla 5. Predicción de participaciones de mercado para

cuatro periodos adelante
t Entel América Móvil Telefónica Viettel
1 0.1793 0.3227 0.3692 0.1288
2 0.1725 0.3264 0.3729 0.1281
3 0.1585 0.3256 0.3839 0.1319
4 0.1419 0.3201 0.3992 0.1387
.. .. .. .. ..
. . . . .
.. .. .. .. ..
. . . . .
Fuente. Elaboración propia.

PESQUIMAT 22(1): 51–60 59

Gavilano Aspillaga y Tovar Soto

5. Conclusión
El sector de telecomunicaciones se caracteriza por ser muy dinámico, tanto por la intensidad
competitiva que ejercen las empresas operadoras como por la aparición de nuevas tecnologı́as
sobre las que se brindan los servicios. A pesar de este dinamismo, muchas veces se requiere
predecir los valores que tendrı́an algunos indicadores relevantes en periodos posteriores, ası́
como la participación de mercado que las empresas operadoras tendrı́an en largo plazo.
De este modo, empleando las Cadenas de Markov homogéneas se estimaron las participa-
ciones de mercado de largo plazo: América Móvil (35.0 %), Telefónica del Perú (36.4 %), Entel
(17.4 %) y Viettel (11.2 %). Ası́, manteniéndose las actuales condiciones de mercado y el dinamis-
mo de la PNM, en el largo plazo aún se muestra una mayor participación por parte de Telefónica
del Perú y América Móvil.
Adicionalmente, se emplearon las Cadenas de Markov variantes en el tiempo con la finalidad
de predecir las participaciones de mercado en el corto plazo, tomando como información las
condiciones actuales que experimenta el mercado.

Referencias bibliográficas
[1] Ching, K. (2015). Market share modelling and forecasting using Markov Chains and alter-
native models. Recuperado el 04 de octubre del 2018 de goo.gl/uKaR8T.

[2] Hierro, M. & Guijarro, M. (2006). Un estudio mediante Cadenas de Markov de la dinámica
de los movimientos migratorios interterritoriales en España (1990-2003) desde un plantea-
miento de estimación dinámico. Recuperado el 05 de octubre del 2018 de goo.gl/Udth9L.

[3] Garrocho, C., Jiménez, E. & Álvarez, J. (1973). Modelando la migración interestatal de
México: cadenas de Markov estáticas versus Cadenas de Markov dinámicas con medias
móviles. Recuperado del 15 de octubre del 2018 de goo.gl/Pi9oKt.

[4] Gonewa, A., Godwin, U. & Ngaage, K. (2012). Dynamic Behavior in Customers’ Switching
and Market Share Analysis: The Markov Model Perspectives. Recuperado el 15 de octubre
del 2018 de https://bit.ly/2PflnA2.

[5] Mendoza, K., Hernández, V. & Romenge, R. (2012). Tendencias en el mercado de teléfonos
móviles en el segmento de estudiantes universitarios en México: una aplicación del modelo
de Markov. ITAM. México , D.F. Recuperado el 15 de octubre del 2018 de goo.gl/LUJ3C1.

[6] Tolver, A. (2016). An introduction to Markov Chains. Recuperado el 15 de octubre del 2018
de http://web.math.ku.dk/noter/filer/stoknoter.pdf

60 PESQUIMAT 22(1): 51–60